Introdução geral
O DeOldify é um projeto de código aberto baseado na tecnologia de aprendizagem profunda para colorização e restauração inteligentes de fotos e vídeos em preto e branco. O DeOldify oferece três modelos pré-treinados diferentes: o modelo Artístico se concentra na geração de efeitos de imagem artísticos e detalhados, o modelo Estável é mais adequado para retratos e paisagens naturais, e o modelo de Vídeo é especialmente otimizado para vídeo a fim de garantir a estabilidade da imagem. O modelo de vídeo é otimizado para vídeo a fim de garantir a estabilidade da imagem. O projeto é totalmente de código aberto e pode ser usado por meio do Google Colab, da implantação local e de outros meios, facilitando para qualquer pessoa dar nova vida a fotos e imagens históricas preciosas.
Lista de funções
- Suporta a coloração automática inteligente de fotos em preto e branco
- Oferece suporte à colorização consistente e estável de vídeos em preto e branco
- Oferece três modelos de pré-treinamento profissional para atender às necessidades de diferentes cenários de aplicativos
- Modelos artísticos: para efeitos de coloração de imagem da mais alta qualidade
- Modelo estável: otimização do processamento de retratos e paisagens
- Modelo de vídeo: garante a suavidade e a estabilidade da coloração do vídeo
- Suporta o uso on-line via Google Colab sem implantação local
- Fornecer uma solução completa de instalação e implementação local
- Suporte para uso interativo via Jupyter Notebook
- Abra o arquivo de pesos do modelo de pré-treinamento para download e uso
Usando a Ajuda
1. acesso on-line (recomendado)
A maneira mais fácil de usá-lo é on-line, por meio do Google Colab:
- Colorir imagens:
- Access DeOldify coloração de imagens Caderno Colab
- Clique no botão "Run" (Executar)
- Carregue suas fotos em preto e branco
- Seleção do modelo de coloração adequado (Artístico ou Estável)
- Aguarde a conclusão do processamento e faça o download dos resultados
- Coloração de vídeo:
- Visite o notebook do DeOldify Video Colouring Colab
- Siga os prompts da interface para executar as células necessárias
- Carregar arquivos de vídeo em preto e branco
- Aguarde a conclusão do processamento e faça o download do vídeo após a coloração.
2. instalação e uso local
Se precisar executar o DeOldify em seu computador local, siga estas etapas:
Requisitos ambientais:
- Sistema operacional: Ubuntu 18.04 ou 16.04 (Windows não é compatível)
- Requisitos da placa gráfica:
- Somente para colorir: placas de vídeo com mais de 4 GB de memória de vídeo
- Necessário para treinar o modelo: recomenda-se uma placa de vídeo com mais de 11 GB de memória de vídeo
Etapas de instalação:
- Clone o código do projeto:
git clone https://github.com/jantic/DeOldify.git DeOldify
cd DeOldify
- Crie um ambiente conda:
conda env create -f environment.yml
- Ative o ambiente e inicie o Jupyter Lab:
ativar o código-fonte deoldify
laboratório jupyter
- Faça o download do modelo pré-treinado:
- Acesse o link de download do modelo fornecido pelo projeto
- Faça o download do arquivo de pesos do modelo necessário
- Coloque os arquivos baixados no diretório /models/ do projeto
3. recomendações de uso
- Escolha o modelo certo:
- Para fotografias artísticas: use o modelo Artistic para obter efeitos de cores mais ricos.
- Para retratos e paisagens: o modelo Stable é recomendado!
- Para processamento de vídeo: certifique-se de usar o modelo de vídeo para garantir a estabilidade da imagem.
- Habilidades de processamento de imagens:
- Fornecer imagens em preto e branco de melhor qualidade para obter melhores resultados de coloração.
- O parâmetro render_factor pode ser ajustado para equilibrar o efeito de processamento e a velocidade.
- Para fotos importantes, é recomendável experimentar modelos diferentes para obter efeitos contrastantes
- Advertências:
- Certifique-se de ter recursos de computação suficientes ao trabalhar com arquivos grandes.
- O processamento do vídeo pode demorar um pouco, por favor, seja paciente!
- Recomenda-se processar um pequeno número de amostras para teste antes do processamento em lote